在地下环境中，针对点云鲁棒分割的群体感知与位置交互式学习方法

《Scientific Reports》：Group-aware and position-interactive learning for point cloud robust segmentation in subterranean environments

　　

摘要

在诸如煤矿巷道等遮挡严重的地下环境中，高精度的3D感知在基础设施检查、灾害预防和控制中发挥着至关重要的作用。然而，现有的通用点云语义分割方法在地下环境中普遍存在泛化能力不足的问题，这主要是由于边界模糊、噪声干扰严重以及结构模式高度重复等挑战所致。此外，这些方法通常会带来过高的计算开销，限制了其实际应用。为了解决这些问题，我们提出了一个针对复杂地下基础设施的高效且鲁棒的点云语义分割框架。具体来说，我们设计了一个轻量级的“群感知通道交互模块”（GCIM），该模块采用了权重共享的分组通道注意力机制和显式的组间通信方式，在保持低计算成本的同时扩大了场景理解的感知范围。此外，我们还提出了“交互式位置编码”（IPE）技术，该技术通过相对位置信息将点特征与空间上下文动态关联起来。通过加强空间感知特征之间的交互作用，IPE有效缓解了由噪声和几何相似性引起的边界模糊问题。在包括Coal Mines、Seg2Tunnel和OpenTrench3D在内的地下数据集，以及ScanNetv2和S3DIS等通用室内数据集上的实验结果表明，所提出的方法在平均交并比（Mean Intersection over Union）和总体准确率（Overall Accuracy）方面表现出优异的性能。该方法具有出色的分割能力和跨场景泛化能力，能够为地下环境中的智能3D信息提取和安全监控提供有效的技术支持。